METHOTIKA : Jurnal Ilmiah Teknik Informatika

Analisis Sentimen Tanggapan Masyarakat di Media Sosial X terhadap Piala Asia U-23 AFC 2024 Menggunakan Metode DBSCAN dan Naive Bayes

Thomy Franklin Panjaitan — 2026-04-30

Percakapan di X/Twitter tentang Piala Asia U-23 AFC 2024 berlangsung cepat, heterogen, dan sarat noise, sehingga membutuhkan pendekatan komputasional untuk memetakan topik dan membaca sentimen publik secara andal. Penelitian ini bertujuan menyusun pipeline penambangan teks yang mengombinasikan DBSCAN untuk klasterisasi topik dan Naïve Bayes (NB) untuk klasifikasi sentimen. Data dikumpulkan berbasis kata kunci/hashtag relevan, kemudian dipraproses (pembersihan, normalisasi, stopword removal, stemming), direpresentasikan dengan TF-IDF, diklaster menggunakan DBSCAN (metrik cosine, parameter utama: ε = 11,5; min_samples = 10), lalu diklasifikasikan sentimennya (positif/Netral/negatif) dengan NB. Hasil menunjukkan DBSCAN efektif memisahkan tema percakapan, dengan ±84,65% tweet teridentifikasi sebagai core points dan 2,88% sebagai border points; sisanya noise. Distribusi sentimen didominasi netral, disusul positif, sedangkan negatif relatif kecil. Model NB mencapai akurasi sekitar 60%; performa kelas negatif masih menantang akibat code-mixing, slang, ketidakseimbangan kelas, dan nuansa sarkasme. Disimpulkan bahwa kombinasi “DBSCAN→peta topik” dan “NB→label sentimen” layak sebagai baseline pemantauan opini publik berbasis media sosial, sembari membuka arah peningkatan melalui perluasan leksikon slang, penanganan code-mixing, penyeimbangan kelas, dan eksplorasi model berbasis konteks.

PENGGELOMPOKAN KOMENTAR PENGGUNA APLIKASI MOBILE LEGENDS DI GOOGLE PLAYSTORE MENGGUNAKAN GAUSSIAN MIXTURE MODELS

SILVIA MALONA NAINGGOLAN — 2026-07-10

Perkembangan pesat industri game online, khususnya genre Multiplayer Online Battle Arena (MOBA), telah mendorong tingginya interaksi pengguna melalui komentar di platform distribusi aplikasi seperti Google Playstore. Salah satu aplikasi game yang populer adalah Mobile Legends: Bang Bang. Komentar pengguna sering kali tidak sejalan dengan penilaian bintang, sehingga menimbulkan kesulitan dalam memahami persepsi pengguna secara objektif. Penelitian ini bertujuan untuk mengelompokkan komentar pengguna Mobile Legends menggunakan metode Gaussian Mixture Models (GMM), suatu pendekatan statistik berbasis probabilitas yang efektif dalam mengidentifikasi pola tersembunyi dalam data tidak terstruktur. Proses dimulai dari pengumpulan data melalui web scraping, dilanjutkan dengan preprocessing teks (cleansing, case folding, stopword removal, tokenizing, dan stemming), kemudian ekstraksi fitur menggunakan TF-IDF, dan akhirnya proses klasterisasi menggunakan GMM. Hasil dari penelitian ini menunjukkan bahwa komentar dapat dikelompokkan secara otomatis ke dalam tiga kategori utama: positif, negatif, dan netral. Pendekatan ini mampu memberikan wawasan yang lebih akurat dan objektif terhadap persepsi pengguna, serta dapat digunakan sebagai dasar pengambilan keputusan untuk pengembangan dan perbaikan aplikasi. Implementasi GMM dalam penelitian ini membuktikan efektivitasnya dalam mengelola data teks besar secara efisien dan relevan

Implementasi metode double exponential smoothing pada harga komoditas nikel future

Sarah Rifka — 2026-04-30

Nikel merupakan komoditas strategis dalam industri baja tahan karat dan baterai kendaraan listrik yang memiliki volatilitas harga tinggi. Penelitian ini bertujuan untuk mengoptimalkan prediksi harga nikel future historical dengan menerapkan metode Double Exponential Smoothing (DES) yang mampu menangkap pola tren melalui komponen level dan tren secara simultan. Data yang digunakan adalah harga penutupan harian nikel periode 1 Januari 2020 hingga 21 Agustus 2025 yang bersumber dari Investing.com. Metodologi penelitian melibatkan pembagian data menjadi data latih (2020–2023) untuk pembentukan model dan data uji (2024) untuk validasi akurasi. Implementasi dilakukan menggunakan bahasa pemrograman Python dengan memanfaatkan pustaka analisis data time series. Hasil pengujian menunjukkan bahwa model DES menghasilkan tingkat akurasi yang sangat tinggi dengan nilai Mean Absolute Percentage Error (MAPE) sebesar 1,23%. Capaian ini menunjukkan bahwa metode DES sangat efektif dan dapat diandalkan sebagai instrumen pendukung pengambilan keputusan strategis di sektor investasi komoditas tambang.

Prediksi Cuaca Di Kota Medan Menggunakan Metode C4. 5

fajar silaban — 2026-04-30

Fenomena cuaca merupakan bagian dari dinamika atmosfer yang terus mengalami perubahan. Ia tidak hanya menggambarkan kondisi fisik udara di suatu tempat dan waktu tertentu, tetapi juga menjadi indikator penting dalam berbagai aktivitas kehidupan manusia. Dinamika ini terbentuk melalui interaksi berbagai elemen, seperti suhu, tekanan udara, kelembapan, angin, dan curah hujan, yang saling memengaruhi satu sama lain dalam siklus yang kompleks dan terus bergerak.

Kemampuan untuk memperkirakan gejala-gejala atmosfer telah menjadi kebutuhan penting dalam perencanaan kegiatan manusia. Mulai dari sektor pertanian hingga transportasi, semua memerlukan gambaran tentang kondisi cuaca yang mungkin terjadi di masa mendatang. Namun, ketidakpastian yang menyertai perubahan atmosfer membuat proses prediksi tidak dapat dilakukan secara sembarangan. Oleh karena itu, dibutuhkan pendekatan yang tidak hanya mampu membaca data historis, tetapi juga memahami pola-pola tersembunyi yang muncul dari kumpulan informasi tersebut.

Dalam kerangka ini, teknologi menjadi jembatan antara data dan keputusan. Pemanfaatan kecerdasan buatan sebagai alat bantu untuk mengenali pola dan memproyeksikan keadaan menjadi sebuah kebutuhan yang tidak terelakkan. Salah satu pendekatan yang relevan adalah penggunaan teknik pengambilan keputusan yang didasarkan pada pembelajaran dari data, memungkinkan terbentuknya model prediktif yang adaptif dan dapat dipertanggungjawabkan.

Penelitian ini berangkat dari urgensi tersebut, dengan menjadikan kota Medan sebagai objek pengamatan, untuk mengeksplorasi kemungkinan penerapan pendekatan berbasis data dalam memahami pola cuaca yang khas di wilayah tersebut. Dengan menggali potensi dari teknik prediktif yang sistematis, diharapkan penelitian ini dapat memberikan kontribusi dalam upaya meningkatkan akurasi dan efisiensi prakiraan cuaca, serta memperkuat landasan ilmiah dalam pengambilan keputusan yang bergantung pada kondisi atmosfer masa depan

Penerapan Random Forest Sebagai Sistem Pendukung Keputusan Diagnosis Dini Penyakit Tiroid

Putri Maria Cornelia Purba — 2026-04-30

Penyakit tiroid merupakan salah satu gangguan endokrin yang memengaruhi metabolisme tubuh dan memerlukan diagnosis cepat serta akurat. Penelitian ini bertujuan mengimplementasikan algoritma Random Forest dalam mengklasifikasikan tingkat keparahan penyakit tiroid (low, medium, high) berdasarkan data pasien dari platform Kaggle yang berjumlah 383 sampel. Algoritma Random Forest dipilih karena kemampuannya dalam mengelola data dengan dimensi yang tinggi serta menghasilkan prediksi yang stabil dan akurat. Tahapan penelitian meliputi pengumpulan data, preprocessing, pemilihan fitur relevan, implementasi algoritma, serta evaluasi model menggunakan bahasa pemrograman Python. Model dievaluasi dengan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma Random Forest mampu mengklasifikasikan tingkat keparahan penyakit tiroid dengan tingkat akurasi sebesar 82%, presisi 76%, recall 63%, dan F1-score 68%. Metode ini dapat menjadi alternatif efektif sebagai sistem pendukung keputusan bagi tenaga medis dalam diagnosis dini penyakit tiroid

IDENTIFIKASI PENYAKIT TANAMAN KENTANG MENGGUNAKAN CONVOLUTION NEURAL NETWORK DENGAN ARSITEKTUR RESNET50

dear saragih — 2026-04-30

Kentang merupakan komoditas pangan penting yang produksinya sering terhambat oleh penyakit daun seperti penyakit busuk daun dini dan busuk daun akhir, yang berdampak pada kualitas dan hasil panen. Untuk membantu deteksi dini penyakit-penyakit ini, penelitian ini bertujuan untuk mengembangkan model identifikasi penyakit daun kentang berbasis Convolutional Neural Network (CNN) dengan arsitektur ResNet50. Dataset yang digunakan bersumber dari Kaggle dan terdiri dari citra daun kentang yang sehat, penyakit busuk daun dini, dan penyakit busuk daun akhir, yang menjalani tahap pra-pemrosesan dan augmentasi sebelum digunakan dalam pelatihan, validasi, dan pengujian. Model ResNet50 dilatih menggunakan optimizer Adam, dengan evaluasi berdasarkan matriks konfusi untuk mengukur akurasi, presisi, recall, dan skor F1. Hasil penelitian menunjukkan bahwa model mencapai akurasi sebesar 33,3%, dengan nilai presisi dan recall yang rendah untuk kelas-kelas tertentu, yang menunjukkan keterbatasan dalam generalisasi model ke data independen. Temuan ini menunjukkan bahwa meskipun CNN dengan ResNet50 dapat diterapkan untuk identifikasi penyakit daun kentang, kinerjanya masih jauh dari optimal, sehingga memerlukan pengembangan lebih lanjut, seperti meningkatkan jumlah data, menyesuaikan parameter pelatihan, atau menggabungkan metode lain untuk meningkatkan kinerja model dalam aplikasi dunia nyata.

Penerapan Hierarchical Agglomerative Clustering Dengan Average Linkage Untuk Analisis Kepuasan Pasien Di Klinik Yuanda

Michael Owen Sidabutar — 2026-04-30

Analisis dilakukan untuk mengevaluasi tingkat kepuasan pasien terhadap kualitas pelayanan kesehatan yang diberikan oleh Klinik Yuanda. menggunakan Hierarchical Agglomerative Clustering (HAC) dengan skema average linkage dan jarak Euclidean. Data diperoleh melalui kuesioner Likert 1–5 yang memuat 15 kategori pada lima dimensi mutu layanan (Reliability, Responsiveness, Assurance, Empathy, Tangibles) dari 100 responden. Proses meliputi praproses imputasi nilai hilang dan normalisasi, perhitungan matriks jarak, pembentukan dendrogram, serta pemotongan pada K = 3. Perhitungan dilakukan secara manual untuk contoh representatif dan diverifikasi menggunakan Python/Google Colab. Hasil klaster menunjukkan tiga segmen kepuasan: Sangat Puas sebanyak 68%, Cukup Puas 20%, dan Sangat Tidak Puas 12%. Matriks average linkage mengindikasikan kedekatan tertinggi antara klaster “Sangat Tidak Puas” dan “Cukup Puas”, sehingga area perbaikan prioritas berada pada kecepatan dan kejelasan layanan, kualitas interaksi petugas, serta kebersihan/kenyamanan fasilitas. Temuan ini memberi peta segmentasi yang objektif dan dapat ditindaklanjuti untuk peningkatan mutu layanan serta monitoring berkala berbasis data

PENERAPAN ALGORITMA ID3 DALAM KLASIFIKASI KELAYAKAN PENERIMA BANTUAN LANGSUNG TUNAI (BLT) STUDI KASUS: DESA SOMI KECAMATAN GIDO

Iren Priscilla Bu'ulolo — 2026-04-30

Penyaluran Bantuan Langsung Tunai (BLT) di Desa Somi masih dilakukan secara manual, sehingga rawan subjektivitas dan ketidaktepatan sasaran. Penelitian ini bertujuan untuk menerapkan algoritma ID3 dalam mengklasifikasikan kelayakan penerima BLT secara objektif berdasarkan data sosial ekonomi masyarakat. Sebanyak 333 data digunakan sebagai dataset yang dianalisis menggunakan metode ID3 dengan perhitungan entropy dan information gain untuk membentuk pohon keputusan. Model diuji menggunakan 67 data uji dan menghasilkan akurasi sebesar 95,52%, dengan precision 96%, recall 93,1%, dan F1-score 94,5%. Hasil penelitian menunjukkan bahwa algoritma ID3 efektif dalam membantu proses seleksi penerima BLT secara sistematis dan akurat.

Analisis Klasifikasi Lalu Lintas Serangan Menggunakan Metode CNN Pada Honeypot Server

Rostianna Sinuraya — 2026-04-30

Sistem deteksi serangan terhadap server perlu terus dimaksimalkan termasuk dengan pemanfaatan kecerdasan buatan AI (Artificial Intelligence). Hal ini disebabkan oleh meningkatnya serangan siber seperti Distributed Denial of Service (DDoS) dan port scanning yang mengancam ketersediaan layanan dan keamanan data. Di sisi lain, honeypot server menghasilkan data dalam jumlah besar yang sulit dianalisis secara manual, sehingga diperlukan metode otomatis seperti Convolutional Neural Network (CNN) untuk mengklasifikasikan jenis serangan secara cepat dan akurat. Penelitian ini berfokus pada penerapan metode Convolutional Neural Network (CNN) untuk mengklasifikasikan lalu lintas serangan server berdasarkan data yang diperoleh dari honeypot server. Data yang digunakan mencakup serangan TCP Flood, UDP Flood, port scanning, serta trafik normal (benign), yang kemudian diolah menjadi dataset terstruktur untuk proses klasifikasi. Penelitian ini dilakukan melalui beberapa tahapan sistematis, dimulai dari pengumpulan data menggunakan honeypot berbasis PyHoneypot yang diimplementasikan pada Virtual Private Server (VPS) untuk menangkap aktivitas serangan TCP Flood, UDP Flood, dan Port Scanning. Data log yang diperoleh kemudian diekstraksi dan dikonversi menjadi dataset terstruktur dalam format CSV menggunakan convert.csv. Selanjutnya dilakukan tahap preprocessingmeliputi pembersihan data, ekstraksi fitur, pelabelan, dan transformasi label ke bentuk numerik. Dataset kemudian dibagi menjadi data latih dan data uji dengan skenario pembagian yaitu 60:40. Model klasifikasi dibangun menggunakan metode Convolutional Neural Network (CNN) yang diimplementasikan pada TensorFlow/Keras melalui Google Colaboratory, kemudian dilatih untuk mengenali pola lalu lintas jaringan. Tahap akhir dilakukan pengujian dan evaluasi menggunakan confusion matrix untuk mengukur kinerja model berdasarkan nilai akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model Convolutional Neural Network (CNN) yang dibangun mampu mengklasifikasikan lalu lintas serangan jaringan dengan tingkat kinerja yang sangat baik. Berdasarkan hasil pengujian menggunakan confusion matrix, model memperoleh nilai akurasi sebesar 99,98%, dengan nilai precision 89,58%, recall 90,77%, dan F1-score 90,16%. Nilai tersebut menunjukkan bahwa model memiliki kemampuan yang tinggi dalam membedakan antara lalu lintas normal (benign) dan berbagai jenis serangan seperti TCP Flood, UDP Flood, dan Port Scanning. Selain itu, model juga menunjukkan kestabilan performa pada berbagai skenario pembagian data latih dan data uji, sehingga dapat dikatakan efektif dan andal dalam mendukung sistem deteksi serangan jaringan secara otomatis.

Analisa Metode Cosine Similarity Dalam Mengenali Pengirim Pesan Singkat

Widia Margaretha Sidabutar — 2026-04-30

Perkembangan teknologi komunikasi digital yang pesat telah menjadikan aplikasi pesan singkat, seperti WhatsApp, sebagai sarana utama dalam berkomunikasi. Namun, penggunaan pesan singkat juga menghadirkan tantangan, terutama dalam mengenali pengirim pesan ketika informasi pengirim tidak tercantum secara jelas. Hal ini dapat membuka peluang bagi penyalahgunaan, seperti penyamaran atau penipuan melalui pesan yang tidak terdeteksi. Oleh karena itu, diperlukan metode yang efektif untuk menganalisis pola penulisan dalam pesan guna membantu identifikasi pengirim. Penelitian ini menggunakan metode Cosine Similarity, yang mampu mengukur kemiripan antara teks berdasarkan representasi vektornya. Proses analisis dilakukan dengan menerapkan teknik Text Mining, meliputi case folding, cleaning, tokenizing, stopword removal dan stemming untuk memastikan data yang digunakan lebih bersih dan akurat. Dengan metode ini, kemiripan antara pesan uji dan pesan pembanding dihitung guna menentukan pesan yang paling mirip dengan data uji. Hasil penelitian menunjukkan bahwa D101 memiliki kemiripan tertinggi dengan D9 sebesar 71%, D102 dengan D4 sebesar 95%, dan D103 dengan D15 sebesar 77%. Nilai-nilai tersebut menunjukkan bahwa metode Cosine Similarity dapat digunakan untuk mengenali pola penulisan dalam pesan singkat dengan tingkat akurasi yang baik. Penelitian ini diharapkan dapat menjadi dasar bagi pengembangan dalam bentuk web atau aplikasi untuk mengidentifikasi pengirim pesan singkat, sehingga meningkatkan keamanan dan kenyamanan dalam komunikasi digital.

PERANCANGAN SISTEM ABSENSI CERDAS BERBASIS IOT MENGGUNAKAN RFID DAN VALIDASI WAJAH FACENET

Sby Sepdianto Manalu — 2026-04-30

Penelitian ini berfokus pada perancangan sistem absensi cerdas berbasis Internet of Things (IoT) yang mengintegrasikan sensor RFID RC522 dan kamera webcam menggunakan Raspberry Pi 5 sebagai pusat kendali. Sistem menerapkan metode autentikasi multi-faktor yang memadukan identifikasi kartu RFID sebagai pemicu awal dan algoritma FaceNet untuk ekstraksi fitur wajah. Fitur wajah diekstraksi menjadi embedding vektor 128-dimensi yang diukur kemiripannya menggunakan Euclidean Distance. Sistem dirancang dengan logika monitoring durasi kehadiran untuk mendeteksi secara otomatis perilaku mahasiswa yang meninggalkan kelas sebelum waktunya atau "cabut". Hasil pengujian menunjukkan bahwa keseluruhan arsitektur sistem beroperasi secara real-time dengan rata-rata waktu respons 2,7 detik. Penerapan nilai threshold Euclidean sebesar 0.5 pada model FaceNet terbukti efektif menolak akses manipulasi "titip absen". Fitur pengawasan durasi berhasil mengubah status kehadiran menjadi "Cabut" secara otomatis bagi mahasiswa yang melanggar batas toleransi.

Prediksi Kelayakan Penerima Bantuan Sosial Menggunakan Metode K-Prototype Pada Desa Air Hitam

Saul Michael Marthin Silitonga — 2026-04-30

Penentuan kelayakan penerima bantuan sosial merupakan permasalahan yang sering dihadapi oleh pemerintah desa, khususnya dalam memastikan bantuan tepat sasaran. Proses penilaian yang masih dilakukan secara manual seringkali menimbulkan subjektivitas, ketidaktepatan, serta ketidakkonsistenan dalam pengambilan keputusan. Oleh karena itu, diperlukan suatu metode yang mampu mengolah data secara objektif dan sistematis. Penelitian ini bertujuan untuk memprediksi kelayakan penerima bantuan sosial pada masyarakat Desa Air Hitam, Kecamatan Gebang, Kabupaten Langkat, Sumatera Utara dengan menggunakan metode K-Prototypes. Metode ini dipilih karena mampu mengolah data campuran yang terdiri dari data numerik dan data kategorikal secara bersamaan. Data yang digunakan dalam penelitian ini meliputi beberapa atribut, yaitu jumlah pendapatan, jumlah kendaraan roda dua, jumlah kendaraan roda empat, jumlah ternak ayam, jumlah ternak kambing, jumlah ternak sapi, serta kepemilikan rumah. Tahapan penelitian meliputi proses pengumpulan data, preprocessing data, transformasi dan encoding data kategorikal, penerapan algoritma K-Prototypes untuk proses clustering, serta analisis hasil pengelompokan. Hasil dari penelitian ini menunjukkan bahwa data masyarakat dapat dikelompokkan menjadi dua cluster utama, yaitu kelompok masyarakat yang layak menerima bantuan sosial dan kelompok masyarakat yang tidak layak menerima bantuan sosial. Selain itu, sistem yang dibangun berbasis aplikasi Streamlit mampu mempermudah proses pengolahan data dan visualisasi hasil clustering secara lebih sistematis dan mudah dipahami oleh pengguna. Dengan demikian, penerapan metode K-Prototypes dalam penelitian ini dapat menjadi solusi alternatif yang efektif dalam membantu pemerintah desa dalam menentukan kelayakan penerima bantuan sosial secara lebih objektif, akurat, dan tepat sasaran.

Perancangan sistem informasi penyebaran GKPI di Sumatera Utara berbasis GIS (Geographic Information System)

winanda simanungkalit — 2026-04-30

Penelitian ini bertujuan untuk merancang sistem informasi berbasis GIS untuk mempermudah pencarian lokasi Gereja Kristen Protestan Indonesia (GKPI) di Sumatera Utara. Latar belakang penelitian ini adalah kebutuhan akan informasi gereja yang terstruktur dan mudah diakses oleh masyarakat umum dan jemaat. Solusi yang diterapkan adalah pengembangan sistem berbasis web menggunakan PHP Framework Laravel 10 berbasis GIS (GEOGRAPHIC INFORMATION SYSTEM). Sistem ini menyediakan peta interaktif untuk menampilkan lokasi gereja, informasi detail gereja (seperti nama pendeta, alamat, nomor telepon), serta jalur terdekat dari lokasi pengguna. Hasil implementasi menunjukkan bahwa sistem dapat membantu pengguna mendapatkan informasi gereja secara cepat dan akurat melalui antarmuka berbasis web. Selain itu, sistem ini juga membantu kantor pusat GKPI dalam mengelola data gereja secara digital, sehingga mengurangi penggunaan dokumen fisik seperti buku Almanak.

Penerapan Random Forest Sebagai Sistem Pendukung Keputusan Diagnosis Dini Penyakit Tiroid

Putri Maria Cornelia Purba — 2026-04-30

Prediksi jumlah kunjungan wisatawan domestik ke medan zoo menggunakan metode fuzzy tsukamoto

Elisabet Lumbantobing — 2026-04-30

Penelitian ini bertujuan untuk memprediksi jumlah kunjungan wisatawan domestik ke Medan Zoo dengan menggunakan metode Fuzzy Tsukamoto. Prediksi jumlah kunjungan menjadi aspek penting bagi pengelola dalam merencanakan, mengoptimalkan, dan menyesuaikan fasilitas serta layanan agar lebih efektif dan efisien. Data yang digunakan berupa data bulanan kunjungan wisatawan periode Januari 2020 hingga Desember 2024. Metode Fuzzy Tsukamoto dipilih karena mampu menangani ketidakpastian dan sifat data yang kabur (fuzzy), serta menghasilkan keluaran prediksi yang fleksibel dan realistis. Proses prediksi dilakukan melalui tiga tahapan utama, yaitu fuzzifikasi, pembentukan aturan fuzzy (rule base), dan defuzzifikasi untuk memperoleh nilai akhir prediksi. Hasil evaluasi akurasi menggunakan Mean Absolute Percentage Error (MAPE) menunjukkan nilai sebesar 14,63%, yang termasuk dalam kategori Good karena berada pada rentang 10–20%.

Selain itu, penelitian ini juga menghasilkan prediksi jumlah kunjungan wisatawan Medan Zoo tahun 2025, yaitu Januari 3.231 orang, Februari 3.231 orang, Maret 4.674 orang, April 4.674 orang, Mei 6.220 orang, Juni 4.674 orang, Juli 4.674 orang, Agustus 6.220 orang, September 4.674 orang, Oktober 3.231 orang, November 4.674 orang, dan Desember 4.674 orang. Dengan tingkat akurasi dan hasil prediksi tersebut, penelitian ini diharapkan dapat menjadi dasar bagi pihak pengelola dalam menyusun strategi pengelolaan, seperti penyesuaian jumlah staf, penjadwalan atraksi satwa, program promosi pada periode kunjungan rendah, serta perencanaan logistik dan pemeliharaan fasilitas, sehingga mampu meningkatkan efisiensi operasional sekaligus memberikan kenyamanan dan kepuasan yang lebih baik bagi pengunjung Medan Zoo.